Scopri come costruire il tuo primo modello PyTorch, utilizzando il livello lineare “magico”.
Nel mio ultimo post sul blog, abbiamo imparato come lavorare con i tensori PyTorchl’oggetto più importante nella libreria PyTorch. I tensori sono la spina dorsale dei modelli di deep learning, quindi è naturale che possiamo utilizzarli per adattare modelli di machine learning più semplici ai nostri set di dati.
Sebbene PyTorch sia noto per le sue funzionalità di Deep Learning, siamo anche in grado di adattare semplici modelli lineari utilizzando il framework – e questo è in realtà uno dei modi migliori per acquisire familiarità con il framework. torch API!
In questo post del blog, continueremo con la serie di introduzioni a PyTorch verificando come possiamo sviluppare una semplice regressione lineare utilizzando il metodo torch biblioteca. Nel processo, impareremo a conoscere torch Ottimizzatori, Pesi e altri parametri del nostro modello di apprendimento, qualcosa che sarà estremamente utile per le architetture più complesse.
Iniziamo!
Per questo post del blog utilizzeremo il set di dati sulla popolarità del brano in cui vorremo prevedere la popolarità di un determinato brano in base ad alcune caratteristiche del brano. Diamo uno sguardo all’inizio del set di dati di seguito:
songPopularity = pd.read_csv(‘./data/song_data.csv’)
Alcune delle funzionalità di questo set di dati includono metriche interessanti su ciascun brano, ad esempio:
- un livello di “energia” della canzone
- un’etichetta che codifica la tonalità (ad esempio A, B, C, D, ecc.) della canzone
- Volume della canzone
- Tempo di canzone.
Il nostro obiettivo è utilizzare queste funzionalità per prevedere la popolarità della canzone, un indice che va da 0 a 100. Negli esempi che mostriamo sopra, miriamo a prevedere la seguente popolarità della canzone:
Invece di usare sklearnutilizzeremo i moduli PyTorch per prevedere questa variabile continua. La parte migliore è imparare come adattare le regressioni lineari pytorch? Le conoscenze che raccoglieremo potranno essere applicate…
Fonte: towardsdatascience.com
